科研之友
微信
新浪微博
Facebook
分享链接
摘要
时序动态网络在静态网络基础上综合了时间属性的概念，包含了网络结构的复杂性、动态性等内涵，是研究复杂网络链路预测问题的较优思维对象，因在现实世界中具有较高应用价值而备受关注。目前大部分传统方法研究对象仍局限于静态网络，存在对网络时域演化信息利用不充分、时间复杂度较高等问题。结合社会学理论，提出一种基于社团多特征融合嵌入表示的时序链路预测方法，该方法的核心思想是通过分析网络动态演化特性，在社团范围内学习节点的嵌入表示向量，融合多特征以衡量节点间连边的生成概率。利用网络集体影响力的方法对节点和连边的权值进行计算，基于集体影响的连边权值进行社团划分，将网络划分为若干个社团子图，得到基于集体影响的相似性指标。在社团范围内，利用有偏的随机游走，结合梯度优化的Skip-gram方法获取所有节点的嵌入表示向量，得到基于社团范围游走的相似性指标。融合节点的集体影响、社团范围节点的多个中心性特征和学习到的节点表示向量，得到多特征融合的相似性指标，3种新指标都可以用于衡量节点之间形成连边的概率。对比基于移动平均、嵌入表示、图神经网络等经典时序链路预测方法，在6个真实数据集上的实验结果表明，所提基于社团多特征融合的方法在AUC评价标准下取得更优的预测性能。
-
单位信息工程大学
